Nginx 504 问题解决 ---- 由 tcp_timestamps 导致的连接问题

这两天生产上面的一个业务遇到一个超时的问题， nginx 的日志现象 504 超时。最后终于解决了，写这篇博客记录下，梳理下处理的整个过程。

故障排查

第一步
首先是排查 nginx 的 504 错误日志，对错误日志分析，看是否有规律，主要是统计来源 IP， URL。

结论：

排查后的结果是，出现 504 的 URL 就那么两三个，来源 IP 没有规律，根据这个找到开发人员，看是否是其请求的 URL 有问题，通过和开发人员的定位，排除了 URL 的问题，所以 URL 和 IP 方面排除出去，进行下一步

第二步

在 nginx 的日志中，新增几个日志记录字段，新增了 $upstream_status，$upstream_response_time ，$upstream_addr 这三个字段，通过这三个字段是想判断是后端集群的所有服务器都出现 504 还是说只有部分，还有每台的超时时间是多少。

通过在 nginx.conf 配置文件的日志部分新增这三个字段后，加载 nginx ，再查看 nginx 日志发现，是所有的后端集群都出现了 504 的问题

结论：

初步推断是不是后端集群服务器的问题。

第三步

因为我这边是前端是通过域名访问的后端，所以为了进一步确定问题，我在前端集群中的一台 /etc/hosts 上面把域名和后端的真实服务器做绑定，前端集群中的其他服务器还是通过域名与 LVS 的 VIP 做绑定访问

结论：

排查后的结果是直接绑定后端真实服务器的时候，不再出现 504 错误，而其他还是通过 VIP 访问的依旧有 504 错误，综合第二步和第三步骤，可以确定，问题可能应该出现在两个地方

1. 前端服务器访问 LVS 的时候
2. LVS 到 后端服务器之间

第四步

这步为了排除问题，只好是抓包解决了，使用的工具就是 tcpdump 和 Wireshark。
首先是在 前端服务器抓包，主要是抓取目的端是 LVS VIP 的

sudo /usr/sbin/tcpdump tcp -vv -i bond0 and  dst host 1.1.1.2 -w ./myi.cap

在 LVS 服务器上抓包，抓取去往后端集群中服务器的包

sudo /usr/sbin/tcpdump tcp -vv and dst host 1.21.4.11 or dst host 1.21.4.12 or dst host 1.21.4.13 or dst host 1.21.4.14 -w ./user.cap

最后把抓取的包用 wireshark 查看分析。

第五步

通过抓包确定了是 LVS 到 后端服务器直接可能有问题，然后询问下其他的同事，知道这在 3 层做了 snat。印象中 LVS 相关的，在 NAT 环境的话，有一个参数可能会造成丢包。感觉 google 下，最后发现有可能是 net.ipv4.tcp_timestamps = 1 这个参数引起的。因此把 timestamps 关闭。

查看有多少包由于这个原因被拒绝了：

 netstat -s |grep  rejects

172 packets rejects in established connections because of timestamp

sudo vim /etc/sysctl.conf  # 在该文件最后加入以下


net.ipv4.tcp_timestamps = 0

###生效
sudo /sbin/sysctl -p 

最后观察日志，504 消失，问题解决。不禁哀嚎，我也终于遇到这个问题。不过总算解决了。此文只是一个我的分析排查过程，具体的报文什么的就不贴了，因为我懒得涂鸦关键字（涉及一些 IP 信息，你们懂的）。

导致这个问题的详细原理，下面的参考文章已经讲的很清楚，我就不讲了。

参考文章

• Linux 之 TCP/IP 内核参数优化
• tcp 协议 timestamp 字段导致问题分析
• tcp 内核参数对 NAT 用户的影响
• tcp_tw_recycle和tcp_timestamps导致connect失败问题